張文，王鴻園，王彤承，李健，王培智

(國(guó)網(wǎng)山東省電力公司青島供電公司，山東 青島 266002)

神經(jīng)網(wǎng)絡(luò)法在以網(wǎng)損為目標(biāo)的配電網(wǎng)重構(gòu)中的應(yīng)用

張文，王鴻園，王彤承，李健，王培智

(國(guó)網(wǎng)山東省電力公司青島供電公司，山東 青島 266002)

配電網(wǎng)重構(gòu)是降低電網(wǎng)線損、提高經(jīng)濟(jì)性的重要手段。采用BP神經(jīng)網(wǎng)絡(luò)法進(jìn)行配電網(wǎng)的重構(gòu)，網(wǎng)絡(luò)輸入為電網(wǎng)負(fù)荷，輸出為實(shí)現(xiàn)電網(wǎng)最小線損的開(kāi)關(guān)開(kāi)合狀態(tài)，通過(guò)樣本訓(xùn)練來(lái)實(shí)現(xiàn)對(duì)兩者非線性關(guān)系的模擬。首先將電網(wǎng)負(fù)荷按負(fù)荷曲線特征及負(fù)荷水平分為三種類(lèi)型和五種負(fù)荷水平；然后對(duì)不同負(fù)荷類(lèi)型和水平下的最小線損采用最優(yōu)化方法計(jì)算，作為網(wǎng)絡(luò)訓(xùn)練的樣本；以一個(gè)16節(jié)點(diǎn)系統(tǒng)為算例，驗(yàn)證了BP神經(jīng)網(wǎng)絡(luò)法在配電網(wǎng)的重構(gòu)中的應(yīng)用價(jià)值。為彌補(bǔ)以往研究的不足，探討了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)電網(wǎng)重構(gòu)的影響，發(fā)現(xiàn)通過(guò)選擇適當(dāng)?shù)妮敵錾窠?jīng)元數(shù)目可以在不增加太多網(wǎng)絡(luò)訓(xùn)練時(shí)間負(fù)擔(dān)的前提下，提高神經(jīng)網(wǎng)絡(luò)在實(shí)際配電網(wǎng)中應(yīng)用時(shí)的效率。

神經(jīng)網(wǎng)絡(luò)法；配電網(wǎng)；線損；重構(gòu)；經(jīng)濟(jì)性

0 引 言

電力企業(yè)一直致力于降低配電網(wǎng)的線路損耗以提高配電網(wǎng)的經(jīng)濟(jì)性。其中配電網(wǎng)依據(jù)負(fù)荷情況進(jìn)行實(shí)時(shí)重構(gòu)是降低線損最有效的途徑之一[1]54。通常對(duì)于不同的城市功能區(qū)(如居民區(qū)、商業(yè)區(qū)和工業(yè)產(chǎn)業(yè)區(qū)等)，其用電負(fù)荷模式和不同時(shí)段的負(fù)荷水平均存在顯著變化，而配電網(wǎng)往往僅在某一負(fù)荷模式和負(fù)荷水平下達(dá)到線損最小，當(dāng)負(fù)荷模式和水平發(fā)生變化時(shí)，固定的配電網(wǎng)模式無(wú)法使線損達(dá)到最優(yōu)，這便是配電網(wǎng)的重構(gòu)需要解決的問(wèn)題。它通過(guò)對(duì)配電網(wǎng)中開(kāi)關(guān)的開(kāi)合來(lái)實(shí)現(xiàn)不同負(fù)荷模式和水平下的線損最小化。

目前常用的配電網(wǎng)重構(gòu)方法有：數(shù)學(xué)優(yōu)化方法、最優(yōu)流模式法、開(kāi)關(guān)交換法和人工智能法等[1]。由于人工智能法的適用性、可拓展性強(qiáng)，近年來(lái)得到快速發(fā)展。常用的人工智能法有模擬退火法[2]、神經(jīng)網(wǎng)絡(luò)法、粒子群算法[3]和遺傳算法[4]等。進(jìn)一步的研究還基于上述方法將電網(wǎng)可靠性等指標(biāo)合并考慮進(jìn)行了配電網(wǎng)的多目標(biāo)重構(gòu)[5]。

鑒于電網(wǎng)負(fù)荷模式與線損最優(yōu)的配電網(wǎng)結(jié)構(gòu)之間是一種非線性關(guān)系，本文中將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到配電網(wǎng)的重構(gòu)中。其網(wǎng)絡(luò)輸入為負(fù)荷水平，輸出為反映電網(wǎng)結(jié)構(gòu)的開(kāi)關(guān)開(kāi)合狀態(tài)，通過(guò)樣本訓(xùn)練來(lái)實(shí)現(xiàn)對(duì)兩者非線性關(guān)系的模擬。神經(jīng)網(wǎng)絡(luò)法對(duì)于復(fù)雜的、未知的、具有非線性的系統(tǒng)有著顯著的優(yōu)點(diǎn)，它能夠不依賴(lài)于數(shù)學(xué)模型且有較強(qiáng)的適應(yīng)學(xué)習(xí)能力。Kim等人[6]將神經(jīng)網(wǎng)絡(luò)法應(yīng)用到了配電網(wǎng)重構(gòu)中，并解決了網(wǎng)絡(luò)訓(xùn)練所需的最優(yōu)樣本獲取問(wèn)題。Kashem等人[7]通過(guò)對(duì)負(fù)荷模式和負(fù)荷水平的簡(jiǎn)化來(lái)降低了樣本復(fù)雜度，提高了網(wǎng)絡(luò)權(quán)值迭代訓(xùn)練的效率。Salazar等人[8]進(jìn)一步采用聚類(lèi)方法對(duì)不同負(fù)荷模式和負(fù)荷水平進(jìn)行分類(lèi)簡(jiǎn)化，大大降低網(wǎng)絡(luò)復(fù)雜度并將此方法應(yīng)用到大型配電網(wǎng)的重構(gòu)中。Kumar等人[9]采用改進(jìn)的神經(jīng)網(wǎng)絡(luò)法對(duì)配電網(wǎng)的重構(gòu)進(jìn)行了研究。然而上述研究中缺少對(duì)于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)結(jié)果精度和復(fù)雜度影響的研究。因此本文中采用BP神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行配電網(wǎng)重構(gòu)的同時(shí)，進(jìn)一步探討了不同輸出層神經(jīng)元數(shù)量對(duì)網(wǎng)絡(luò)訓(xùn)練和應(yīng)用精度的影響。

1 配電網(wǎng)最小線損計(jì)算方法

在特定負(fù)荷模式下，得到配電網(wǎng)達(dá)到最小線損時(shí)開(kāi)關(guān)開(kāi)合狀態(tài)是配電網(wǎng)重構(gòu)的目標(biāo)。本文計(jì)算最小線損的數(shù)學(xué)模型為：

(1)

式中N為電網(wǎng)中節(jié)點(diǎn)個(gè)數(shù)；rij、Sij、iij、vij和zij分別為支路ij的電阻、視在功率、電流、電壓差和阻抗；vi、SLi分別為母線i上的電壓和負(fù)載、Sfdk為第k個(gè)饋線fdk的潮流；下標(biāo)max和min為最大及最小容許值?？梢?jiàn)計(jì)算最小線損的問(wèn)題可以歸結(jié)為一個(gè)最優(yōu)化問(wèn)題，進(jìn)一步采用懲罰函數(shù)法將上述數(shù)學(xué)模型修改為：

(2)

式中d1、d2為懲罰因子，其值取正的足夠大。本文中采用MATLAB的非線性規(guī)劃工具箱來(lái)求解式(2)中的最優(yōu)化問(wèn)題，通過(guò)求解可以得到不同負(fù)荷模式和水平下達(dá)到最小線損所需的開(kāi)關(guān)開(kāi)合狀態(tài)，其結(jié)果作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。

2 BP神經(jīng)網(wǎng)絡(luò)模型及結(jié)構(gòu)簡(jiǎn)介

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

為確定負(fù)荷水平與反映電網(wǎng)結(jié)構(gòu)的開(kāi)關(guān)開(kāi)合狀態(tài)間的非線性關(guān)系，本文中采用了反向神經(jīng)網(wǎng)絡(luò)方法又名BP神經(jīng)網(wǎng)絡(luò)法，其結(jié)構(gòu)簡(jiǎn)圖如圖1所示。BP神經(jīng)網(wǎng)絡(luò)方法通過(guò)在相對(duì)于誤差函數(shù)斜率的方向上計(jì)算網(wǎng)絡(luò)中權(quán)值和閥值的變化來(lái)逐漸使實(shí)際輸出與目標(biāo)輸出間的均方差達(dá)到最小。整個(gè)神經(jīng)網(wǎng)絡(luò)包括了信息的正向傳遞和求權(quán)值變化及誤差反向傳播兩個(gè)過(guò)程，其中，權(quán)值與閥值的初值采用隨機(jī)數(shù)生成程序在-1～1之間隨機(jī)生成。為了加快網(wǎng)絡(luò)誤差逼近的速度，并有效地跳過(guò)局部極小值，權(quán)值調(diào)節(jié)采用了附加動(dòng)量法。

3 樣本生成及網(wǎng)絡(luò)的訓(xùn)練應(yīng)用

3.1 樣本生成

神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的輸入為各母線的負(fù)荷，而配電網(wǎng)的負(fù)荷模式隨不同功能區(qū)變化，并且同一模式下不同時(shí)間的負(fù)荷水平也在變化，這樣組合成的用于網(wǎng)絡(luò)訓(xùn)練的輸入數(shù)據(jù)量很大，造成計(jì)算量大且很難得到穩(wěn)定收斂的網(wǎng)絡(luò)權(quán)值結(jié)果。為解決這一問(wèn)題，本文采用Kashem等人提出的負(fù)荷類(lèi)型[7]：生活居住型、商業(yè)型和工業(yè)生產(chǎn)型，其中各類(lèi)型的典型日用電負(fù)荷曲線如圖2所示。從圖中看出，各類(lèi)型的用電負(fù)荷曲線特點(diǎn)迥異，生活居住型(residential load)用電高峰期出現(xiàn)在夜間19點(diǎn)到24點(diǎn)；商業(yè)型(commercial load)用電高峰期從早間10點(diǎn)持續(xù)到夜間22點(diǎn)，工業(yè)生產(chǎn)型(industrial load)幾乎一天24小時(shí)均處于較高的用電負(fù)荷水平。

圖2 三種負(fù)荷模式的日用電負(fù)荷曲線

對(duì)于同一類(lèi)型的負(fù)荷模式又可按照日用電負(fù)荷曲線進(jìn)一步聚類(lèi)成5個(gè)負(fù)荷水平，如圖2(a)所示。其中，負(fù)荷為峰值負(fù)荷的20%-40%時(shí)按30%估算；40%-60%時(shí)按50%估算；60%-80%時(shí)按70%估算；80%-90%時(shí)按90%估算；90%-100%時(shí)按100%估算。將上述三種負(fù)荷類(lèi)型和五個(gè)負(fù)荷水平作為輸入的負(fù)荷樣本，共有53=125個(gè)不同的訓(xùn)練樣本。將這些負(fù)荷樣本代入式2中，求解最優(yōu)化問(wèn)題得到其對(duì)應(yīng)的開(kāi)關(guān)開(kāi)合狀態(tài)，作為神經(jīng)網(wǎng)絡(luò)輸出的訓(xùn)練樣本，其中數(shù)字0代表開(kāi)關(guān)處于斷開(kāi)狀態(tài)，數(shù)字1代表開(kāi)關(guān)處于閉合狀態(tài)。

3.2 網(wǎng)絡(luò)的訓(xùn)練與應(yīng)用

通過(guò)第2節(jié)的方法得到訓(xùn)練樣本后，將其帶入BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，具體過(guò)程如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖

首先，在-1到1之間隨機(jī)生成權(quán)值與閥值的初值。然后將訓(xùn)練樣本代入計(jì)算隱含層與輸出層的輸出，并計(jì)算期望輸出與實(shí)際輸出間的誤差。最后依據(jù)誤差反向修改權(quán)值，經(jīng)多次循環(huán)后，使網(wǎng)絡(luò)殘差降至0.001以下，即完成訓(xùn)練，得到網(wǎng)絡(luò)所需的權(quán)值與閾值。神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后便可應(yīng)用到實(shí)際的配電網(wǎng)絡(luò)中，進(jìn)行配電網(wǎng)的實(shí)時(shí)重構(gòu)。具體流程如圖4所示，概述如下：

(1)將現(xiàn)有母線按照負(fù)荷類(lèi)型劃分為：Ⅰ生活居住型、Ⅱ商業(yè)服務(wù)型、Ⅲ工業(yè)生產(chǎn)型；

(2)依據(jù)母線的實(shí)時(shí)負(fù)荷將其近似為峰值負(fù)荷的30%、50%、70%、90%和100%；

(3)由(1)和(2)中得到母線負(fù)荷P、Q值作為網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)中存儲(chǔ)了訓(xùn)練好的權(quán)值和閾值，計(jì)算得到對(duì)應(yīng)負(fù)荷所需的開(kāi)關(guān)開(kāi)合狀態(tài)，實(shí)現(xiàn)重構(gòu)。

4 數(shù)值算例

本文中采用Kim等人[6]1357使用的16節(jié)點(diǎn)配電網(wǎng)作為數(shù)值算例，配電網(wǎng)結(jié)構(gòu)如圖5所示。此系統(tǒng)擁有3條饋線、13個(gè)分段開(kāi)關(guān)(SW1-SW13)和3個(gè)聯(lián)絡(luò)開(kāi)關(guān)(TW14-TW16)。

4.1 訓(xùn)練樣本與神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

依據(jù)第1節(jié)的最小線損計(jì)算方法得到此測(cè)試系統(tǒng)不同負(fù)荷類(lèi)型(Ⅰ、Ⅱ、Ⅲ)和負(fù)荷水平(30%、50%、70%、90%、100%)下達(dá)到最小線損所需的開(kāi)關(guān)開(kāi)合狀態(tài)，共有53個(gè)不同的開(kāi)關(guān)開(kāi)合狀態(tài)組合，作為網(wǎng)絡(luò)的訓(xùn)練樣本。部分訓(xùn)練樣本如表1所示。

表1中包括了三條饋線不同負(fù)荷水平下的最小線損值，以及其對(duì)應(yīng)的各母線電壓值和各開(kāi)關(guān)開(kāi)合狀態(tài)(1:開(kāi)關(guān)閉合，2:開(kāi)關(guān)斷開(kāi))。其中基準(zhǔn)工況線損是指所有13個(gè)分段開(kāi)關(guān)(SW1-SW13)閉合和3個(gè)聯(lián)絡(luò)開(kāi)關(guān)(TW14-TW16)斷開(kāi)時(shí)此負(fù)荷水平下的線損。由此可見(jiàn)通過(guò)開(kāi)關(guān)的閉合可以達(dá)到降低線損提到配電網(wǎng)經(jīng)濟(jì)性的效果。分段開(kāi)關(guān)SW3、SW8、SW12和SW13是起到減小線損主要作用的開(kāi)關(guān)，其他分段開(kāi)關(guān)可處于常閉狀態(tài)，因此將這四個(gè)開(kāi)關(guān)開(kāi)合狀態(tài)作為訓(xùn)練樣本。

如圖5所示，由于第2節(jié)中的最小線損計(jì)算方法計(jì)算量大，無(wú)法應(yīng)用到配電網(wǎng)隨負(fù)荷變化的實(shí)時(shí)重構(gòu)上，因此需要采用經(jīng)過(guò)樣本訓(xùn)練的神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)。此16節(jié)點(diǎn)的測(cè)試系統(tǒng)進(jìn)行重構(gòu)采用的神經(jīng)網(wǎng)絡(luò)包括了26個(gè)輸入神經(jīng)元，40個(gè)隱含層神經(jīng)元和1到4個(gè)輸出層神經(jīng)元。其中26個(gè)輸入神經(jīng)元為13條母線的P、Q負(fù)荷值，隱含層有40個(gè)神經(jīng)元，其變換函數(shù)為雙曲正切函數(shù)。輸出層有1-4個(gè)神經(jīng)元，采用線性變換函數(shù)，輸出神經(jīng)元為四個(gè)分段開(kāi)關(guān)SW3、SW8、SW12和SW13的開(kāi)合狀態(tài)。如果采用只有1個(gè)輸出神經(jīng)元的網(wǎng)格結(jié)構(gòu)則需要4套獨(dú)立的網(wǎng)絡(luò)來(lái)分別得到四個(gè)分段開(kāi)關(guān)的開(kāi)合狀態(tài)；采用有2個(gè)輸出神經(jīng)元的網(wǎng)絡(luò)結(jié)構(gòu)時(shí)，需要2套獨(dú)立的網(wǎng)絡(luò)；而采用有4個(gè)輸出神經(jīng)元的網(wǎng)絡(luò)結(jié)構(gòu)時(shí)，僅需要1套網(wǎng)絡(luò)。下節(jié)中對(duì)不同輸出神經(jīng)元數(shù)量的影響進(jìn)行比較分析。

4.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練與應(yīng)用

依據(jù)上節(jié)確定的訓(xùn)練樣本及神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，按圖3所示流程對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。起初采用分別只有1個(gè)輸出神經(jīng)元的4套獨(dú)立的神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)四個(gè)分段開(kāi)關(guān)SW3、SW8、SW12和SW13的開(kāi)合狀態(tài)。訓(xùn)練過(guò)程網(wǎng)絡(luò)允許的殘差為0.001。樣本訓(xùn)練的殘差隨迭代次數(shù)的變化趨勢(shì)如圖6所示，殘差為目標(biāo)開(kāi)關(guān)狀態(tài)(“1”或“0”)與實(shí)際網(wǎng)絡(luò)輸出狀態(tài)間的差值?？梢?jiàn)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中經(jīng)過(guò)8 000次迭代即可使網(wǎng)絡(luò)殘差低于0.001，得到滿足要求的閾值和權(quán)值。部分樣本訓(xùn)練后得到的網(wǎng)絡(luò)輸出如表2所示?？梢?jiàn)網(wǎng)絡(luò)輸出結(jié)果分段開(kāi)關(guān)SW3、SW8、SW12和SW13的開(kāi)合狀態(tài)近似等于“1”或“0”，其中對(duì)應(yīng)“1”的輸出結(jié)果在0.98到1.02間變化，對(duì)應(yīng)“0”的輸出結(jié)果在0到0.04間變化。因此在應(yīng)用于配電網(wǎng)重構(gòu)時(shí)將輸出結(jié)果在上述范圍內(nèi)的輸出近似認(rèn)為“0”和“1”。

圖5 16節(jié)點(diǎn)配電網(wǎng)圖示[6]1359

圖6 樣本訓(xùn)練殘差隨迭代次數(shù)變化(對(duì)應(yīng)分段開(kāi)關(guān)SW3)

圖7 不同輸出神經(jīng)元數(shù)量下樣本訓(xùn)練殘差隨迭代次數(shù)變化

表1 不同負(fù)荷模式下達(dá)到最小線損的開(kāi)關(guān)開(kāi)合狀態(tài)

表2 各負(fù)荷模式下神經(jīng)網(wǎng)絡(luò)輸出結(jié)果

4.3 輸出神經(jīng)元數(shù)量影響分析

上節(jié)中僅采用了分別只有1個(gè)輸出神經(jīng)元的4套獨(dú)立的神經(jīng)網(wǎng)絡(luò)，這與Kim等人[6]，Kashem等人[7]提出的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相似。本文中采用具有較多輸出神經(jīng)元的網(wǎng)絡(luò)，這樣可以降低其在實(shí)際配電網(wǎng)中應(yīng)用時(shí)的復(fù)雜度，提高了配電網(wǎng)重構(gòu)的效率和可靠性。下面分別采用了有2和4個(gè)輸出神經(jīng)元的網(wǎng)絡(luò)結(jié)構(gòu)依據(jù)訓(xùn)練樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練并與上節(jié)中結(jié)果進(jìn)行了對(duì)比，不同網(wǎng)絡(luò)結(jié)構(gòu)下的殘差隨迭代次數(shù)的變化趨勢(shì)如圖7所示?？梢?jiàn)僅有1個(gè)輸出神經(jīng)元的神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中收斂速度最快，但需要4套獨(dú)立的網(wǎng)絡(luò)來(lái)分別得到四個(gè)分段開(kāi)關(guān)的開(kāi)合狀態(tài)。有2個(gè)輸出神經(jīng)元的神經(jīng)網(wǎng)絡(luò)收斂速度相對(duì)較慢，需要經(jīng)過(guò)30 000步迭代后才達(dá)到目標(biāo)殘差值，但僅需要2套獨(dú)立的網(wǎng)絡(luò)。而當(dāng)神經(jīng)網(wǎng)絡(luò)輸出神經(jīng)元數(shù)目達(dá)到4個(gè)時(shí)，網(wǎng)絡(luò)殘差過(guò)大，無(wú)法收斂到目標(biāo)值，因此無(wú)法應(yīng)用到神經(jīng)網(wǎng)絡(luò)重構(gòu)中。由此可見(jiàn)，選擇適當(dāng)?shù)妮敵錾窠?jīng)元數(shù)目可以在不增加太多網(wǎng)絡(luò)訓(xùn)練時(shí)間負(fù)擔(dān)的前提下，提高神經(jīng)網(wǎng)絡(luò)在配電網(wǎng)中應(yīng)用時(shí)的效率。

5 結(jié)束語(yǔ)

本文中將BP神經(jīng)網(wǎng)絡(luò)法應(yīng)用到配電網(wǎng)的重構(gòu)中，神經(jīng)網(wǎng)絡(luò)輸入為電網(wǎng)負(fù)荷水平，輸出為實(shí)現(xiàn)電網(wǎng)最小線損的開(kāi)關(guān)開(kāi)合狀態(tài)，通過(guò)樣本訓(xùn)練來(lái)實(shí)現(xiàn)對(duì)兩者非線性關(guān)系的模擬。得到結(jié)論如下：(1)電網(wǎng)負(fù)荷可以依據(jù)其負(fù)荷曲線特征大致分類(lèi)為生活居住型、商業(yè)型和工業(yè)生產(chǎn)型三種類(lèi)型；

(2)BP神經(jīng)網(wǎng)絡(luò)法應(yīng)用到配電網(wǎng)的重構(gòu)，能夠達(dá)到依據(jù)電網(wǎng)負(fù)荷來(lái)實(shí)時(shí)改變電網(wǎng)結(jié)構(gòu)達(dá)到最小線損的目的；

(3)選擇適當(dāng)?shù)妮敵錾窠?jīng)元數(shù)目可以在不增加太多網(wǎng)絡(luò)訓(xùn)練時(shí)間負(fù)擔(dān)的前提下，提高神經(jīng)網(wǎng)絡(luò)在實(shí)際配電網(wǎng)中應(yīng)用時(shí)的效率。

[1] 畢鵬翔,劉健,張文元. 配電網(wǎng)絡(luò)重構(gòu)的研究[J]. 電力系統(tǒng)自動(dòng)化, 2001, 25 (14): 54-60.

[2] 張凡,張?jiān)较?顧沈卉. 基于模擬退火免疫算法的配電網(wǎng)重構(gòu)[J]. 南方電網(wǎng)技術(shù), 2011, 5(5): 42-46.

[3] 李振坤,陳星鶯,余昆, 等. 配電網(wǎng)重構(gòu)的混合粒子群算法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2008,45(31): 35-41.

[4] 劉蔚,韓禎祥. 基于最優(yōu)流法和遺傳算法的配電網(wǎng)重構(gòu)[J]. 電網(wǎng)技術(shù), 2004, 28 (19): 29-33.

[5] 楊建林,盧慧清,周輝, 等. 考慮供電可靠性的配電網(wǎng)多目標(biāo)重構(gòu)問(wèn)題的NSGA—Ⅱ求解[J]. 電氣應(yīng)用, 2013,32(10): 18-21.

[6] HOYONG KIM,YUNSEOK K,KYUNG-HEE J. Artificial neural-network based feeder reconfiguration for loss reduction in distribution systems[J]. Power Delivery, IEEE Transactions on, 1993, 8 (3): 1356-1366.

[7] KASHEM M A,JASMON G B,MOHAMED A, et al. Artificial neural network approach to network reconfiguration for loss minimization in distribution networks[J]. International Journal of Electrical Power & Energy Systems, 1998, 20 (4): 247-258.

[8] SALAZAR H,GALLEGO R,ROMERO R. Artificial neural networks and clustering techniques applied in the reconfiguration of distribution systems[J]. Power Delivery, IEEE Transactions on, 2006, 21 (3): 1735-1742.

[9] KUMAR K S,RAJALAKSHMI K,KARTHIKEYAN S P. A modified artificial neural network based Distribution System reconfiguration for loss minimization[A]. In Advances in Electrical Engineering (ICAEE), 2014 International Conference on[C], 9-11 Jan. 2014, 2014; 1-5.

Application of the Neural Network Method in the Reconfiguration of Power Distribution Networks Aiming at Transmission Losses

Zhang Wen, Wang Hongyuan, Wang Tongcheng, Li Jian, Wang Peizhi

(Qingdao Power Supply Co., State Grid Shandong Electric Power Co., Qingdao Shandong 266002, China)

Reconfiguration of the power distribution network is an important means for the reduction of power network line loss and improvement of economical efficiency. In this paper, the BP neural network (BPN) approach is applied for the reconfiguration of the power distribution network. The network input is the load of the power grid, while the output is the open-close state of the switch for minimal line loss of the power network. The nonlinear relationship between the input and output values is simulated through sample training. First, network loads are categorized into three types and five load levels according to load curve characteristics and load level. The minimal line loss, calculated in the optimization method for different load types and load levels, is used as the sample for network training. Then, in a computational example of a 16-node system, we verify the application value of the BP neural network method in distribution network reconfiguration. Finally, to make up for the deficiency in past research, this paper discusses the influence of neural network structure upon power network reconfiguration. It is found that selection of a proper number of output neurons can improve the application efficiency of BPN in distribution network reconfiguration, without increasing too much network training time.

neural network method; power distribution network; line loss; reconfiguration; economical efficiency

10.3969/j.issn.1000-3886.2017.01.017

TM711，TM743

A

1000-3886(2017)01-0056-04

張文(1990-)，女，山東青島人，碩士，研究方向?yàn)殡娏ο到y(tǒng)可靠性、配電網(wǎng)自動(dòng)化。 王鴻園(1964-)，男，山東青島人，研究方向?yàn)殡娏ο到y(tǒng)及其自動(dòng)化。 王彤承(1966-)，男，山東青島人，研究方向?yàn)殡娏ο到y(tǒng)及其自動(dòng)化。 李健(1967-)，男，山東青島人，研究方向?yàn)殡娏ο到y(tǒng)及其自動(dòng)化。 王培智(1958-)，男，山東青島人，研究方向?yàn)榕潆娋W(wǎng)自動(dòng)化。

定稿日期: 2016-05-30